江苏龙网

  1. 首页 > 人文 > >

读芯术■实操指南：用谷歌AutoML构建图像分类模型( 二 )


读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
输入数据后 ， 可在浏览器中查看所有图片和标签 。
创建模型
本节内容为 ， 利用方便易用的API创建一个在GCP上运行的云端模型 ， 以及一个可以导出到Tensorflow的边缘模型 (Edge Model)， 并且能在本地或托管的移动设备及浏览器上运行 。1．训练云端模型 打开“训练”(TRAIN)选项卡 ， 点击“开始训练”(START TRAINING) 。 笔者保留了所有默认选项 。
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
模型会在数小时内完成 ， 页面上会显示其相关性能及花费的预算（笔者总共花费了16个小时）：
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
2. 训练（可以在任何地方运行的）“边缘”模型 创建边缘模型的方法基本上是一样的 ， 只是不再点击“云端模型”(Cloud),而是“边缘模型”(Edge) 。 创建边缘模型时可以选择优化速度或者准确性 。 笔者选择了优化准确性 ， 因为笔者想将边缘模型与云端模型进行比较 。
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
结果
在“评估”(EVALUATE)选项卡中可以看到模型的性能 。 云端模型的准确率达到了94.5% ， 而边缘模型的准确率达到了95.5% 。 令人吃惊的是 ， 云端模型表现稍差 ， 而其训练成本更高！ 总的来说 ， 两个模型的表现都让人满意 。 混淆矩阵显示 ， 云端模型预测男性面孔比预测女性面孔的错误率要高 ， 而边缘模型的错误率则更为平均 。云端模型性能 下方截图中 ， 可以看到云端模型的混淆矩阵以及AutoML报告的一些数据 。 比起预测男性面孔 ， 云端模型在预测女性面孔方面较为出色 。
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
边缘模型性能 下方截图中 ， 可以看到边缘模型的混淆矩阵以及AutoML报告的一些数据 。 边缘模型在预测男性面孔方面的表现略胜一筹！
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
边缘情况
对于模型在哪里表现好、哪里出了错 ， 谷歌AutoML提供了统计分析 。 跟笔者的keras模型一样 ， 问题出在儿童的照片和一些异常的面部角度上 。 下面的截图展示了一些误报 (False Positives) 和漏报 (False Negatives) 的例子 。
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
读芯术■实操指南：用谷歌AutoML构建图像分类模型
本文插图
模型部署
现在拿到了满意的模型 ， 就可以投入使用了！云端模型可以部署在GCP上 ， 边缘模型可以下载后再Tensorflow上运行 。 一起来看看云端模型和边缘模型的部署吧！ 部署云端模型 打开“测试及应用”(TEST& USE)选项卡 ， 点击“部署模型”(DEPLOY MODEL)选项 。 为了测试 ， 笔者决定只部署一个节点 。 部署模型花了大约一个小时 。
读芯术■实操指南：用谷歌AutoML构建图像分类模型


推荐阅读


上一篇：「小谦」新版Chromium Edge浏览器支持更换搜索引擎

下一篇：#小谦#台式电脑主板上自带的WIFI好？还是自己额外扩展的好？